python中基例_python leetcode 编辑距离 动态规划算法

题目链接

题目介绍

编辑距离

给你两个单词 word1 和 word2，请你计算出将 word1 转换成 word2 所使用的最少操作数

你可以对一个单词进行如下三种操作：

插入一个字符 删除一个字符 替换一个字符

示例 1：

输入：word1 = "horse", word2 = "ros" 输出：3

解释：

horse -> rorse (将 'h' 替换为 'r')

rorse -> rose (删除 'r')

rose -> ros (删除 'e')

class Solution:

def minDistance(self, w1: str, w2: str) -> int:

def dp(i, j):

#base case

if i == -1:

return j + 1

elif j == -1:

return i + 1

elif w1[i] == w2[j]:

return dp(i - 1, j - 1)

else:

return min(

dp(i, j - 1) + 1,

dp(i - 1, j) + 1,

dp(i - 1, j - 1) + 1

)

return dp(len(w1) - 1, len(w2) - 1)

原因

这道题也是动态规划的原因是

包含最值问题

不断对子问题的求解

思路

指针

对这种字符串，子序列问题，常常用两个指针(最后一个索引)，不断动态向前

基例

如果i，j有一个等于-1，这个就说明w1,w2其中有一个长度为0，即为None，那最优操作就是直接复制一下另一个

状态转移方程

类比一下零钱兑换，无非就是单操作和多操作的区别，一个是自对抗，一个是多对抗

优化

同理，动态规划可以通过写表-查表来解决,不同点是键和值变成了两个

class Solution:

def minDistance(self, w1: str, w2: str) -> int:

memo = {}

def dp(i, j):

# 查表

if (i, j) in memo:

return memo[(i, j)]

# base case

elif i == -1:

return j + 1

elif j == -1:

return i + 1

elif w1[i] == w2[j]:

memo[(i,j)] = dp(i - 1, j - 1)

else:

memo[(i, j)] = min(

dp(i, j - 1) + 1,

dp(i - 1, j) + 1,

dp(i - 1, j - 1) + 1

)

return memo[(i, j)]

return dp(len(w1) - 1, len(w2) - 1)

注意点

基例中两者直接相等，不是return，而是直接写表

else分支下面的子句应该没有return语句，否则会报错，return应该放到与else同一地位的地方。因为要等到迭代好了之后才最后写入表。

因为元组空间复杂度低于列表，所以采用元组

拓展

class Solution:

def minDistance(self, word1: str, word2: str) -> int:

visited = set()

queue = collections.deque([(word1, word2, 0)])

while True:

w1, w2, d = queue.popleft()

if (w1, w2) not in visited:

if w1 == w2:

return d

visited.add((w1, w2))

while w1 and w2 and w1[0] == w2[0]:

w1 = w1[1:]

w2 = w2[1:]

d += 1

queue.extend([(w1[1:], w2[1:], d), (w1, w2[1:], d), (w1[1:], w2, d)])

这是beat 100%的范例，不过我认为大家掌握上面的通法就行，这种比较偏的还是跳过为好！

标签：return,str,python,memo,算法,w2,w1,leetcode,dp

来源： https://www.cnblogs.com/sherlcok314159/p/14340017.html